1.一种基于粒子群优化的开度阀故障诊断方法，其特征在于，方法包括如下步骤：(1)下位机嵌入式开度阀控制模块采集开度阀在正常状态下和故障状态下的运行数据，并制作样本集；

(2)下位机嵌入式开度阀控制模块采集开度阀实时运行数据，在开度阀运行过程中，下位机周期性的采集开度阀运行数据，运行数据包括电机电流、内部的结构噪声、内部压力和阀杆力矩；

(3)采集的实时运行数据传输至上位机开度阀故障诊断系统，并进行预处理分类；

(4)上位机开度阀故障诊断系统对样本集数据进行处理，分配数据权重；运行数据传递到上位机开度阀故障诊断系统后，进入快速判断模式对运行数据进行分类处理，得出最接近的样本集区间，并分配对应区间的权重；

(5)初始化粒子群参数；

(6)评价当前粒子适应度并更新各粒子速度和位置，建立上位机开度阀故障诊断系统中故障诊断阈值的函数，作为粒子群优化算法中的适应度目标函数，利用粒子群优化计算最优诊断阈值；

(7)采用故障诊断阈值的函数计算当前阈值，并判断当前阀值是否达到最优诊断阈值；

若当前阈值达到最优诊断阈值，则开度阀处于故障状态；若未达到则不处于故障状态；并形成诊断结果输出至警报模块；若无故障则返回至步骤(2)等待进行下一周期的实时数据采集，若有故障，进入步骤(8)；

(8)上位机开度阀故障诊断系统发出停止指令停止对应的开度阀动作，同时触发报警模块，切换权重分配方式，进入具体故障诊断模式，读取缓冲区的数据并重新分配数据权重，将数据按照具体故障诊断模式重新分配权重后进入步骤(9)；

(9)根据具体故障诊断模式下分配的数据权重得出故障类型，输出故障原因至上位机开度阀故障诊断系统，等待人工排除故障后恢复开度阀动作，当前诊断流程结束，等待进入步骤(1)进行下个周期的数据采集及诊断。

2.根据权利要求1所述的一种基于粒子群优化的开度阀故障诊断方法，其特征在于：诊断方法应用于开度阀故障诊断系统，开度阀故障诊断系统包括下位机嵌入式开度阀控制模块和上位机开度阀故障诊断系统，其中下位机嵌入式开度阀控制模块包括CAN总线通信单元、无线通信单元、用户可配置的功能选择单元、开度控制单元、电流采集单元、噪声采集单元、压力采集单元和力矩采集单元，上位机开度阀故障诊断系统包数据分类标记单元、数据权重分配单元和粒子群优化计算单元。

3.根据权利要求2所述的一种基于粒子群优化的开度阀故障诊断方法，其特征在于：所述电流采集单元使用霍尔电流传感器ACS724获得阀门的电机电流，噪声采集单元使用ADXL345三轴加速度传感器将阀门结构的振动噪声和磨擦噪声转换成电压信号，压力采集单元使用MPX4250压力传感器检测获得阀门内部压力，无线通信单元采用ESPWIFI通信模块。

4.根据权利要求3所述的一种基于粒子群优化的开度阀故障诊断方法，其特征在于：所述步骤(1)制作样本集的具体方法包括如下步骤：下位机嵌入式开度阀控制模块采集开度阀在正常状态下和故障状态下的运行数据，运行数据包括电机电流、内部的结构噪声、内部压力以及阀杆力矩，其中电流采集单元采集电机电流数据，噪声采集单元采集内部的结构噪声数据，压力采集单元采集内部压力数据，力矩采集单元采集阀杆力矩数据；开度阀故障类别为c，每种故障类别在不同的故障程度下采集n个样本，在开度阀正常状态下采集n个样本，共有(c+1)*n个样本，作为样本集。

5.根据权利要求4所述的一种基于粒子群优化的开度阀故障诊断方法，其特征在于：所述步骤(3)中进行预处理分类的具体方法包括如下步骤：下位机嵌入式开度阀控制模块通过无线通信单元将采集到的实时运行信息以物联网云平台为信息中转站传输至上位机开度阀故障诊断系统；由上位机开度阀故障诊断系统对数据进行分类处理，根据故障类型标记为0，1，2……c同时进行进行小波分析及特征量提取；下位机嵌入式开度阀控制模块是通过CAN总线通信单元进行组网通信并连接至上位机开度阀故障诊断系统，每一个下位机拥有自己的ID，不同下位机的数据根据CAN总线ID进行区分。

6.根据权利要求5所述的一种基于粒子群优化的开度阀故障诊断方法，其特征在于：所述步骤(4)中快速判断模式的具体方法包括如下步骤：(4.1)获取数据分布特性：将步骤(1)的样本集按照不同的标记种类分别进行数据处理，得到正常状态和c种故障状态对应的数据分布特性f0,f1,f2…fc，构造数据分布函数；

(4.2)划分数据区间：将每种类故障对应的数据分布函数划分为i个区间，每个区间对应不同的权重q0,q1,q2…qi；

(4.3)权重分配：每种故障初始时权重各占 每种类故障对应的数据分布函数划分为i个区间，从无故障状态区到有故障状态区的权重按如下方法线性分配：采用K近邻算法和欧氏距离函数，同时交叉验证取得一个合理样本值，对步骤(2)采集的实时运行数据进行故障种类标记，标记后进行区间分类，并分配对应区间的权重。

7.根据权利要求6所述的一种基于粒子群优化的开度阀故障诊断方法，其特征在于：所述步骤(5)中初始化粒子群参数包括初始化种群粒子的个数m，最大迭代次数k、初始速度的线性权重w、学习因子c1、c2，范围在(0，1)内的随机比例因子r1、r2，以及粒子的初始速度和初始位置。

8.根据权利要求7所述的一种基于粒子群优化的开度阀故障诊断方法，其特征在于：所述步骤(6)中计算最优故障诊断阈值的具体方法包括如下步骤：建立上位机开度阀故障诊断系统中关于故障诊断阈值的函数作为粒子群优化算法中的适应度目标函数；式中n为采集的数据总数，Qi为xi所占的权重，μ为本次采集数据的抽样均值；利用粒子群算法的速度更新和位置更新方程不断更新各粒子的速度和位置，公式如下：xi+1＝xi+vi+1

在c种故障状态下共有m个粒子，i表示第i个粒子；w为初始速度的线性权重，可根据迭代次数进行线性变化；xi＝(xi1,xi2…xic)表示第i个粒子的位置；vi＝(vi1,vi2…vic)表示第i个粒子的速度； 表示第i个粒子的局部最优位置； 表示全局最优位置；c1、c2为学习因子，r1、r2是范围在(0，1)内的随机比例因子；更新一次粒子群速度和位置，引入变异因子操作，若随机比例因子r1、r2大于0.96则重新初始化粒子速度和位置，以跳出局部最优；若随机比例因子r1、r2小于0.96则保持当前速度和位置；更新当前最优适应度位置，通过粒子群优化算法不断的对粒子种群进行适应度计算，在迭代过程更新pi个体最优适应度位置和gbest全局最优适应度的位置；判断迭代次数是否达到最大迭代次数k，若未达到则返回利用粒子群算法的速度更新和位置更新方程不断更新各粒子的速度和位置；若达到最大迭代次数k，则迭代结束，将求得的最佳适应度位置的函数值更新至故障诊断系统，作为诊断过程的最优故障诊断阈值。

9.根据权利要求8所述的一种基于粒子群优化的开度阀故障诊断方法，其特征在于：所述步骤(8)中具体故障诊断模式的具体方法包括如下步骤：在上位机开度阀故障诊断系统中引入信息熵和信息增益，对采集到的数据集进行分类后，进行归一化数据处理从而获得每个故障类型的权重，从而准确判断开度阀存在的故障类型；

采用如下公式计算信息熵：

式中，pk表示样本D中第k类特征所占的比例，熵值越低则代表信息越确定；

采用如下公式计算信息增益：

式中，c’表示某种故障属性，v表示此种属性可能的取值，以故障c’对样本D进行划分，v

在产生的子集中，D为包含所有c’故障属性的子集；

进一步的计算得到所有故障属性在样本集下的信息增益，对其进行归一化处理，从而得到每个特征所占的权重；采用如下公式计算第j种故障特征所占的权重式中，Cj’为第j种故障，G(D,Cj’)为每种故障在样本集下的信息增益。

10.根据权利要求9所述的一种基于粒子群优化的开度阀故障诊断方法，其特征在于：所述步骤(6)和步骤(7)中的故障诊断阈值的函数 式中n为采集的数据总数，Qi为xi所占的权重，μ为本次采集数据的抽样均值。